XiaoMi-AI文件搜索系统
World File Search SystemDynamical
通过深度学习框架中的转移动态自动编码器进行基于生理信号的心理工作负荷估计
通过神经生理信号评估人机系统中操作员的心理工作负荷 (MW) 对于防止操作员性能不可预测的下降至关重要。 然而，生理信号的特征与之前时间步骤的历史值相关，并且其统计特性因个体和心理任务类型而异。 在本研究中，我们提出了一种新的转移动态自动编码器 (TDAE) 来捕捉脑电图 (EEG) 特征的动态特性和个体差异。 TDAE 由三个连续连接的模块组成，称为特征过滤器、抽象过滤器和转移 MW 分类器。 特征和抽象过滤器引入动态深度网络，将相邻时间步骤的 EEG 特征抽象为显着的 MW 指标。 转移 MW 分类器利用在情绪刺激下记录的源域 EEG 数据库中的大量 EEG 数据来提高模型训练稳定性。 我们在两个目标 EEG 数据库上测试了我们的算法。分类性能表明 TDAE 明显优于现有的浅层和深层 MW 分类模型。我们还研究了如何选择 TDAE 超参数，并发现通过适当的过滤顺序可以实现其准确性优势。© 2019 Elsevier B.V. 保留所有权利。
用beta衍生物
在物理领域中，β衍生物对于理解各种非线性模型的波传播是必要的。在这项研究工作中，采用了修改的sardar子方程方法来找到（1+1） - 二维时间段耦合的非线性schrödinger模型的孤子溶液，并具有beta分数衍生物。这些模型在现实世界应用中是基本的，例如控制系统，信号处理和光纤网络。通过使用此策略，我们能够获得各种独特的光学解决方案，包括组合，深色，明亮，周期性，单数和理性波解决方案。此外，我们解决了提出的模型的灵敏度分析，以研究它非常敏感的事实。这些研究是新颖的，并且在这些解决方案的非线性动态特征方面尚未进行。我们在相关物理特征的2-D，轮廓3-D结构中显示了这些行为。我们的结果表明，所提出的方法为在光纤中应用数学和波传播的应用中生成非线性分数模型的解决方案提供了有用的结果。
超越几何：将神经回路中的计算时间结构与动态相似性分析进行比较
我们如何判断两个神经网络是否在特定计算中使用相同的内部过程？这个问题与神经科学和机器学习的多个子领域有关，包括神经人工智能、机械可解释性和脑机接口。比较神经网络的标准方法侧重于潜在状态的空间几何形状。然而，在循环网络中，计算是在动态层面实现的，两个执行相同计算且具有相同动态的网络不必具有相同的几何形状。为了弥合这一差距，我们引入了一种新颖的相似性度量，可在动态层面比较两个系统，称为动态相似性分析 (DSA)。我们的方法包含两个部分：利用数据驱动动态系统理论的最新进展，我们学习一个高维线性系统，该系统可准确捕捉原始非线性动力学的核心特征。接下来，我们使用 Procrustes 分析的新颖扩展来比较通过此嵌入的不同系统，该扩展解释了矢量场在正交变换下如何变化。在四个案例研究中，我们证明了我们的方法可以解开共轭和非共轭循环神经网络 (RNN)，而几何方法则存在不足。我们还表明，我们的方法可以以无监督的方式区分学习规则。我们的方法为比较分析神经回路中计算的基本时间结构打开了大门。
通过将随机天气发生器与动态模型相结合
进行准确的亚季节预测仍然是科学界的挑战（White等人2022）。中期时间范围位于中期每日天气预报和季节性预测之间（Vitart等人，2017年）。为了改善季节前的前提，已经做出了巨大的努力来理解不同的过程，相互作用和可预测性的来源（Domeisen等人。，2022; Robertson＆Vitart，2019年； White等。，2022）。中季可预测性与大气，海洋和土地过程有关（Robertson＆Vitart，2019年）。亚季节范围最重要的预性能力来源如下：Madden-Julian振荡（Lau＆Waliser，2011; Vitart等人，2017年），由于其对热带和外界全球天气的影响（Cassou，2008; Deflorio等人，2019年）;土壤水分（Koster等人，2010年），因为这会影响较低的大气温度和局部预言（Domeisen等人，2022; Wei＆Dirmeyer，2019年）；雪覆盖（Lin＆Wu，2011年），尤其是极地和中纬度地区（Penny等人，2019年）;海洋条件（Woolnough等人，2007年），显示出在某些地区增强降水和温度预测的能力（Subramanian等人，2019年）;以及对降水和温度的影响滞后的strato-everhere（Butler等人，2019年）。，2020年；纽曼等人。，2003年； Rashid等。，2011年； Vitart，2014年）。，2022; Mariotti等。改善亚季节预测还与模型物理的改善有关，通过纳入了地球系统的辅助过程和许多组成部分，例如海洋和海冰，以及在与前面提到的可预测性不同来源之间相互作用相关的初始条件下的不确定条件（Merryfield等。下午预测变得更加准确（Robertson＆Vitart，2019年）。NWP的预测在过去几十年中有所改善（Magnusson＆Källén，2013年）。NWP模型已从概率的方法转变为概率方法。的确，集合（概率）预测通过为预测变量产生一组概率来帮助捕捉大气混乱（Palmer，2000）。因此，一个概率的预测通过更大的结合预测提供了最有可能的情况和与之相关的不确定性，从而可以更自信地验证亚季节预测。由于上述所有努力，亚季节合奏预测已经展示了其潜在的，以提供有价值的预测和早期对重大气候和天气事件的警报（Domeisen等人，2018年； Robertson＆Vitart，2019年）。这些
在丘比特中超导性和伪群之间的动态相互作用，如Terahertz第三谐波生成光谱
我们报告了YBA 2 Cu 3 O 6 + X薄膜的非线性Terahertz第三谐波生成（THG）的测量。与常规超导体不同，THG信号开始出现在正常状态下，这与广泛掺杂水平的伪gap的交叉温度t *一致。降低温度后，THG信号在最佳掺杂样品中显示出低于T C以下的异常。值得注意的是，我们直接观察到THG信号的实时波形中的节拍模式。我们阐述的是，HIGGS模式在T C下方开发的HIGGS模式与已经在T *下面开发的模式伴侣，从而导致能级分裂。但是，这种耦合效应在被压倒性的样品中并不明显。我们探索了观察到的现象的不同潜在解释。我们的研究提供了对超导性和伪群之间相互作用的宝贵见解。
dirac-born-Infeld标量宇宙宇宙学的动力学系统分析concinter f（q）重力 *
摘要：在本文中，我们在修改后的重力上下文中介绍了狄拉克出生的标量标量场的动态系统分析。我们考虑了修饰重力的多项式形式，使用了两种不同类型的标量，多项式和指数，并找到了一个封闭的方程式动力学系统。我们分析了这种系统的固定点，并评估了该模型中延迟加速度减速的条件。我们注意到这两个模型的相似性，并表明我们的结果与先前关于爱因斯坦重力的研究一致。我们还通过绘制EOS（ω），能量密度（ω）和减速参数（Q）W.R.T。来研究了模型的现象学意义。到e-folt时间，并与现在的值进行比较。我们通过观察动态系统分析在修饰的重力方面有何不同，并介绍我们研究的未来范围，从而结束了本文。
通过动力学系统和基于采样的MPC
基于抽象动力学系统（DS）的运动计划提供无碰撞运动，并具有闭环反应性，这要归功于它们的表达。它可以通过通过矩阵调制来重塑名义DS来确保障碍物不会渗透，该矩阵调制是使用连续可区分的障碍物表示构建的。然而，最新的方法可能会受到非凸障碍诱导的局部最小值，因此未能扩展到复杂的高维关节空间。另一方面，基于抽样的模型预测控制（MPC）技术在关节空间中提供了可行的无碰撞路径，但由于计算复杂性随着空间维度和地平线长度而生长，因此仅限于准反应性场景。为了通过移动的障碍物来控制杂乱的环境中的机器人，并在机器人的关节空间中产生可行且高度反应的无碰撞运动，我们提出了一种使用基于采样的MPC调节关节空间DS的方法。特别是，代表目标不受限制的关节空间运动的名义DS在局部扭曲了障碍物区分速度成分，该速度组件在障碍物周围导航机器人并避免局部微型摩擦。这种切向速度成分是由基于采样的MPC异步产生的无碰撞路径构成的。值得注意的是，不需要MPC不断运行，而只需要在检测到局部最小值时被激活。该方法在7-DOF机器人上的模拟和现实世界实验中得到了验证，该机器人证明了避免凹障碍的能力，同时在准静态和高度动态的混乱环境中保持局部吸引力的稳定性。
探测潜在线性动力学系统与低级别复发神经网络模型之间的关系
大量工作表明，在行为过程中，神经种群表现出低维动力学。但是，有多种对低维神经种群活动进行建模的不同方法。一种方法涉及潜在的线性动力学系统（LDS）模型，其中通过具有线性动力学的低维潜在变量的投影来描述种群活动。第二种方法涉及低级别的复发性神经网络（RNN），其中人口活动直接来自过去活动的低维投影。尽管这两种建模方法具有很强的相似性，但它们在不同的情况下出现，并且倾向于具有不同的应用领域。在这里，我们检查了潜在LDS模型与线性低级别RNN之间的精确关系。什么时候可以将一种模型类转换为另一个模型类，反之亦然？我们表明，由于潜在LDS模型的非马尔可夫特性，潜在的LDS模型只能在特定限制情况下转换为RNN。相反，我们表明可以将lnns映射到LDS模型上，而潜在维度最多是RNN等级的两倍。我们结果的一个令人惊讶的结果是，部分观察到的RNN比仅由仅观察到的单位组成的RNN更好地代表了LDS模型。
NetDI：阐明支撑词汇生成的动力和动态大脑网络特征的作用的方法
图 1：(A) 进行了多次 (> 200) 图片命名 (PN) 任务试验。每次试验都显示一张波士顿命名测试 [ Kaplan 等人，1983 ] 的图像；患者在识别出图像时发音。(B) 显示了 3 个时间窗口中患者在各试验中平均高伽马 (hγ) 功率反应的 z 分数。(B1) 在相对于刺激开始的 200 到 456 毫秒的窗口中，与基线相比，视觉皮层的功率增加，而额叶区域的功率降低。(B2) 发音前窗口有多个电极，额叶、运动区和颞叶区域的 hγ 功率增加。(B3) 发音后窗口的听觉皮层功率增加，与患者听自己说话的任务一致。
netdi：阐明基于单词生产的动力和动态大脑网络的作用
手稿标题第1页。手稿标题（最大50个单词）：Netdi：阐明基于单词生产的动力和动态大脑网络的作用2.缩写标题（最大50个字符）：功率的作用，网络特征在单词生产中3。作者的姓名和隶属关系按顺序出现在已发表的文章中：（1）Sudha Yellapantula [A]（2）Kiefer Forseth [B]（3）Nitin Tandon [B]（4）Behnaam Aazhang [A]健康，德克萨斯州休斯顿，77005，美国4。作者贡献：SY，NT，BA设计研究； SY进行了研究； SY，BA贡献了分析工具； SY，KF分析数据； SY，KF，NT，BA撰写了论文。5。信件应解决（包括电子邮件地址）：sudha yellapantula（sudha@rice.edu）